app.py

import streamlit as st
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
import plotly.figure_factory as ff
import numpy as np

# Configuración de la aplicación
st.set_page_config(page_title="4 Types of Problems", page_icon="📊",layout="wide")
# Display the image above the title
st.image('4Papps.jpg', use_container_width=True)
st.title("4 Tipos de problemas")
# Definir pestañas
tabs = st.tabs(["Contención", "Desviación del Estándar", "Condición Objetivo", "Innovación"])

# Trabajamos solo en la pestaña "Contención"
with tabs[0]:
    # 📌 Resumen del Método 4C’s de Art Smalley
    st.markdown("""

    ## 🛠 Método 4C’s - Resolución Rápida de Problemas (Troubleshooting)

    El método **4C’s** es una estrategia de resolución de problemas tipo 1 (Troubleshooting), utilizado en Toyota y propuesto por **Art Smalley** para abordar **problemas inmediatos sin un análisis profundo**.

    

    - **❗ Concern (Preocupación):** Identificar claramente el problema o anomalía detectada.  

    - **🔍 Cause (Causa):** Determinar la causa raíz probable o el factor que contribuyó al problema.  

    - **🛠 Countermeasure (Acción Correctiva):** Implementar una solución inmediata para restaurar el estándar.  

    - **📊 Check (Seguimiento):** Evaluar si la contramedida funcionó y si se requiere más análisis.  



    👉 *Este método se enfoca en restaurar la operación de manera rápida y efectiva, sin necesidad de un análisis profundo como en los problemas tipo 2.*  

    """)

    # Inicializar DataFrame en sesión si no existe
    if "df_problemas" not in st.session_state:
        data_inicial = [
            # 🚧 Seguridad: Emergencia con equipo de producción
            {"Categoría": "Seguridad", "Fecha Ocurrencia": "2024-01-10", 
            "Problema": "Derrame de aceite en zona de trabajo", 
            "Causa": "Fuga en manguera hidráulica de prensa", 
            "Contramedida": "Limpieza inmediata y cambio de manguera", 
            "Seguimiento": "Sí", "Fecha Seguimiento": "2024-01-15", "Estatus Seguimiento": "Cerrada", 
            "Investigación Tipo 2": "No", "Estatus": "Cerrado"},

            # 🔍 Calidad: Defectos en piezas recién producidas
            {"Categoría": "Calidad", "Fecha Ocurrencia": "2024-02-05", 
            "Problema": "Riesgo de contaminación en piezas mecanizadas", 
            "Causa": "Exceso de virutas en la máquina CNC", 
            "Contramedida": "Limpieza del área y ajuste en frecuencia de mantenimiento", 
            "Seguimiento": "Sí", "Fecha Seguimiento": "2024-02-09", "Estatus Seguimiento": "En proceso", 
            "Investigación Tipo 2": "Sí", "Estatus": "Abierto"},

            # 💲 Costo: Pérdidas por mal funcionamiento de equipos
            {"Categoría": "Costo", "Fecha Ocurrencia": "2024-03-01", 
            "Problema": "Paro de línea por falla en sensor de temperatura", 
            "Causa": "Sensor descalibrado tras última inspección", 
            "Contramedida": "Reemplazo de sensor y recalibración", 
            "Seguimiento": "Sí", "Fecha Seguimiento": "2024-03-05", "Estatus Seguimiento": "En proceso", 
            "Investigación Tipo 2": "No", "Estatus": "En proceso"},

            # 📦 Entrega: Retraso en abastecimiento de materiales
            {"Categoría": "Entrega", "Fecha Ocurrencia": "2024-03-10", 
            "Problema": "Retraso en entrega de materiales a producción", 
            "Causa": "Error en planificación de inventario", 
            "Contramedida": "Ajuste manual de stock y notificación a proveedor", 
            "Seguimiento": "Sí", "Fecha Seguimiento": "2024-03-15", "Estatus Seguimiento": "Atrasada", 
            "Investigación Tipo 2": "Sí", "Estatus": "Atrasado"}
        ]

        st.session_state.df_problemas = pd.DataFrame(data_inicial)

    # Convertir fechas a datetime
    for col in ["Fecha Ocurrencia", "Fecha Seguimiento"]:
        if col in st.session_state.df_problemas.columns:
            st.session_state.df_problemas[col] = pd.to_datetime(st.session_state.df_problemas[col], errors="coerce")

    st.markdown("""

    ### 📌 Reporta un problema de contención """)
    # Expander 1: Reportar un nuevo problema
    with st.expander("Accede al reporte", expanded=False):
        
        categorias = ["Seguridad", "Calidad", "Costo", "Entrega"]
        
        # 🔴 1️⃣ CONCERN (PREOCUPACIÓN) - ¿Cuál es el problema?
        st.subheader("🔴 Concern (Preocupación)")
        problema_tipo = st.selectbox("Seleccione la categoría del problema", categorias)
        fecha_ocurrencia = st.date_input("📅 Fecha de ocurrencia del problema")
        problema = st.text_area("❓ ¿Qué sabe usted sobre el problema exacto?")

        # ⚠️ 2️⃣ CAUSE (CAUSA) - ¿Qué lo originó?
        st.subheader("⚠️ Cause (Causa)")
        causa = st.text_area("🔍 ¿Cuál es la posible causa raíz del problema?")

        # 🛠️ 3️⃣ COUNTERMEASURE (CONTRAMEDIDA) - ¿Cómo se solucionará?
        st.subheader("🛠️ Countermeasure (Contramedida)")
        contramedida = st.text_area("✅ ¿Qué acción inmediata o temporal puede tomarse para reducir o eliminar el problema?")

        # ✅ 4️⃣ CHECK (VERIFICACIÓN) - Seguimiento y estatus
        st.subheader("✅ Check (Verificación)")
        seguimiento = st.radio("📊 ¿Es necesario un seguimiento adicional?", ["Sí", "No"])
        fecha_seguimiento = st.date_input("📅 Fecha de seguimiento", disabled=(seguimiento == "No"))
        estatus_seguimiento = st.selectbox("📌 Estatus del seguimiento", ["En proceso", "Atrasada", "Cerrada"], disabled=(seguimiento == "No"))
        investigar_mas = st.checkbox("🔬 ¿Necesita investigar más a fondo usando métodos de Tipo 2?")
        estatus = st.selectbox("📈 Estatus del problema", ["Abierto", "En proceso", "Atrasado", "Cerrado"])

        # Guardar los datos ingresados
        if st.button("💾 Guardar Nuevo Problema"):
            nuevo_problema = pd.DataFrame([{
                "Categoría": problema_tipo,
                "Fecha Ocurrencia": pd.to_datetime(fecha_ocurrencia),
                "Problema": problema,
                "Causa": causa,
                "Contramedida": contramedida,
                "Seguimiento": seguimiento,
                "Fecha Seguimiento": pd.to_datetime(fecha_seguimiento) if seguimiento == "Sí" else pd.NaT,
                "Estatus Seguimiento": estatus_seguimiento if seguimiento == "Sí" else "N/A",
                "Investigación Tipo 2": "Sí" if investigar_mas else "No",
                "Estatus": estatus
            }])
            
            st.session_state.df_problemas = pd.concat([st.session_state.df_problemas, nuevo_problema], ignore_index=True)
            st.success("✅ Nuevo problema guardado correctamente")

    st.markdown("""

    ### 📝 Reporta los avances """)
    # Expander 2: Reporta avances en los problemas existentes
    with st.expander("Ingresa el progreso"):
        df_editado = st.data_editor(st.session_state.df_problemas, num_rows="dynamic")

        if st.button("Guardar Cambios en Problemas"):
            st.session_state.df_problemas = df_editado
            st.rerun()  # Refresca la app para actualizar la tabla HTML

    st.markdown("""

    ### 📊 Visualiza el Histórico de Problemas """)
    # Expander 3: Visualiza el Histórico de Problemas
    with st.expander("Revisa como vamos", expanded=True):
        filtro_categoria = st.selectbox("Filtrar por categoría", ["Todas"] + categorias)
        df_mostrar = st.session_state.df_problemas.copy()

        if filtro_categoria != "Todas":
            df_mostrar = df_mostrar[df_mostrar["Categoría"] == filtro_categoria]

        # Formatear fechas antes de mostrar
        if "Fecha Ocurrencia" in df_mostrar.columns:
            df_mostrar["Fecha Ocurrencia"] = df_mostrar["Fecha Ocurrencia"].dt.strftime("%Y-%m-%d")
        if "Fecha Seguimiento" in df_mostrar.columns:
            df_mostrar["Fecha Seguimiento"] = df_mostrar["Fecha Seguimiento"].dt.strftime("%Y-%m-%d").replace("NaT", "N/A")

        # Definir colores para las categorías
        categoria_colores = {
            "Seguridad": "#FF4B4B",
            "Calidad": "#4B83FF",
            "Costo": "#FFA64B",
            "Entrega": "#4BFF83"
        }

        # Generar tabla HTML con colores
        def generar_tabla_html(df):
            table_html = "<table style='width:100%; border-collapse: collapse;'>"
            table_html += "<tr style='background-color: #dddddd; text-align: left;'><th>Categoría</th><th>Fecha Ocurrencia</th><th>Problema</th><th>Causa</th><th>Estatus</th></tr>"

            for _, row in df.iterrows():
                color = categoria_colores.get(row["Categoría"], "#FFFFFF")
                table_html += f"<tr style='background-color: {color}; color: white;'>"
                table_html += f"<td>{row['Categoría']}</td>"
                table_html += f"<td>{row['Fecha Ocurrencia']}</td>"
                table_html += f"<td>{row['Problema']}</td>"
                table_html += f"<td>{row['Causa']}</td>"
                table_html += f"<td>{row['Estatus']}</td>"
                table_html += "</tr>"

            table_html += "</table>"
            return table_html

        st.markdown(generar_tabla_html(df_mostrar), unsafe_allow_html=True)
#__________________________________________________________________________________________________________________________________________________________________

#Problemas de tipo 2 - Desviación del estandar

# 📌 Función para calcular cumplimiento dinámico
def calcular_cumplimiento(df, mejor_es_mayor):
    resultados_prom = df["Resultados"].mean()
    meta_prom = df["Meta"].mean()

    # Caso especial para LTI (Seguridad)
    if not mejor_es_mayor:  
        if resultados_prom == 0:  
            return 100  # Sin eventos = 100% cumplimiento
        return max(0, min(100, (1 - (resultados_prom / (meta_prom + 1))) * 100))

    # Casos para RFT, OEE y OTIF (donde mayor es mejor)
    if meta_prom == 0:
        return 100 if mejor_es_mayor else 0

    return max(0, min(100, (resultados_prom / meta_prom) * 100))  # Limitar a 100%

# 📌 Función para inicializar MDI con datos corregidos
def inicializar_mdi():
    if "mdi" not in st.session_state:
        st.session_state["mdi"] = {
            "Seguridad": {"indicador": "LTI", "mejor_es_mayor": False, "datos": pd.DataFrame({
                "Fecha": pd.date_range(start="2024-01-01", periods=12, freq='M'),
                "Resultados": [0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0], 
                "Meta": [0] * 12,
                "Causa": ["", "", "", "Falta de EPP", "", "", "", "Condiciones inseguras", "", "", "", ""]})},

            "Calidad": {"indicador": "RFT", "mejor_es_mayor": True, "datos": pd.DataFrame({
                "Fecha": pd.date_range(start="2024-01-01", periods=12, freq='M'),
                "Resultados": [96, 97, 94, 95, 92, 91, 89, 85, 97, 96, 98, 99], 
                "Meta": [95] * 12,
                "Causa": ["", "", "Materia prima defectuosa", "", "Falla de calibración", "", "Falta de estandarización", "Error en proceso", "", "", "", ""]})},

            "Costo": {"indicador": "OEE", "mejor_es_mayor": True, "datos": pd.DataFrame({
                "Fecha": pd.date_range(start="2024-01-01", periods=12, freq='M'),
                "Resultados": [82, 85, 79, 81, 80, 77, 76, 75, 85, 84, 82, 86], 
                "Meta": [80] * 12,
                "Causa": ["", "", "Mantenimiento inadecuado", "", "", "Baja eficiencia operativa", "", "Desgaste de equipos", "", "", "", ""]})},

            "Entrega": {"indicador": "OTIF", "mejor_es_mayor": True, "datos": pd.DataFrame({
                "Fecha": pd.date_range(start="2024-01-01", periods=12, freq='M'),
                "Resultados": [92, 94, 91, 89, 95, 97, 93, 96, 94, 90, 92, 91], 
                "Meta": [90] * 12,
                "Causa": ["", "", "", "Falla logística", "", "", "", "", "", "Demora del proveedor", "", ""]})},
        }

        # 🔄 Calcular cumplimiento dinámico para cada perspectiva
        for perspectiva, data in st.session_state["mdi"].items():
            data["cumplimiento"] = round(calcular_cumplimiento(data["datos"], data["mejor_es_mayor"]), 2)

with tabs[1]:
    inicializar_mdi()
    # 📖 Resumen del Problema Tipo 2
    st.markdown("""

    ## 🔄 Management Daily Improvement (MDI) & DMAIC Cycle

    Los **problemas tipo 2** ocurren cuando hay una **desviación del estándar previamente definido** en una operación, proceso o sistema.  

    Se centran en **restaurar y mejorar el estándar** a través de la **gestión diaria y análisis estructurado**.



    ### 🏭 **Management Daily Improvement (MDI) y la Cultura Toyota**

    - El **MDI (Mejora Diaria de Gestión)** es clave en Toyota para detectar y corregir desviaciones en tiempo real.  

    - Se basa en la **observación sistemática de métricas clave** en Seguridad, Calidad, Costo y Entrega (**SQCD**).  

    - Los **supervisores y equipos** deben identificar, registrar y actuar sobre desviaciones detectadas.  

    - Se apoya en el **ciclo DMAIC** para implementar mejoras efectivas.  



    ### 🔬 **Ciclo DMAIC**

    Los problemas de desviación del estándar se analizan y resuelven con el enfoque **DMAIC**:



    1️⃣ **Definir**: Identificar el estándar afectado y describir la desviación.  

    2️⃣ **Medir**: Cuantificar el impacto con datos históricos y métricas clave.  

    3️⃣ **Analizar**: Determinar la causa raíz mediante herramientas como Ishikawa, Pareto o 5 Porqués.  

    4️⃣ **Implementar**: Aplicar acciones correctivas para restaurar el estándar.  

    5️⃣ **Controlar**: Asegurar que la mejora sea sostenible en el tiempo.  



    📌 **Este tablero MDI ayuda a visualizar las desviaciones en SQCD, permitiendo aplicar el ciclo DMAIC para mejorar los procesos.** 🚀  

    """)

    # 📌 Diccionario de iconos por categoría SQCD
    mdi_icons = {
        "Seguridad": "🛑",
        "Calidad": "✔️",
        "Costo": "💰",
        "Entrega": "🚚"
    }

    st.header("📊 Management Daily Improvement SQCD")

    # 📌 Obtener las perspectivas del tablero MDI
    perspectives = list(st.session_state["mdi"].keys())
    col1, col2, col3, col4 = st.columns(4)

    for i, perspective in enumerate(perspectives):
        col = [col1, col2, col3, col4][i]
        with col:
            data = st.session_state["mdi"][perspective]

            # 📋 Expander para editar los datos
            with st.expander(f"📋 Datos de {perspective}"):
                df_editable = st.data_editor(
                    data["datos"], use_container_width=True, num_rows="dynamic", key=f"datos_{perspective}"
                )

                # 🔄 Actualizar el DataFrame y el cumplimiento después de la edición
                st.session_state["mdi"][perspective]["datos"] = df_editable
                nuevo_cumplimiento = calcular_cumplimiento(df_editable, data["mejor_es_mayor"])
                st.session_state["mdi"][perspective]["cumplimiento"] = round(nuevo_cumplimiento, 2)

            # 📌 Mostrar Icono + Categoría
            icon = mdi_icons.get(perspective, "📊")  # Si no encuentra el icono, usa un default
            st.markdown(f"### {icon} {perspective}")

            # 🏆 Gráfico de cumplimiento (Gauge) - ALTURA REDUCIDA
            cumplimiento = st.session_state["mdi"][perspective]["cumplimiento"]

            # 🔄 Definir color según el valor de cumplimiento
            if cumplimiento < 90:
                color_gauge = "red"  # 🔴 Menos de 90%
            elif 90 <= cumplimiento < 100:
                color_gauge = "yellow"  # 🟡 Entre 90% y 100%
            else:
                color_gauge = "green"  # 🟢 Más de 100%

            # 🔄 Ajustar dinámicamente el rango del gauge
            max_range = max(100, cumplimiento + 5)  # Asegurar que siempre haya espacio para valores >100%

            fig_gauge = go.Figure(go.Indicator(
                mode="gauge+number",
                value=cumplimiento,
                number={"font": {"size": 25}},  # 🔽 REDUCE el tamaño del número del cumplimiento
                title={'text': f"{data['indicador']}", 'font': {'size': 20}},
                gauge={'axis': {'range': [0, max_range]}, 'bar': {'color': color_gauge}}
            ))
            fig_gauge.update_layout(height=280)  # 🔽 Ajuste de altura del gauge
            st.plotly_chart(fig_gauge, use_container_width=True)

            # 📉 Gráfico de control de tendencia - ALTURA AJUSTADA
            fig_control = go.Figure()
            fig_control.add_trace(go.Scatter(
                x=df_editable["Fecha"], y=df_editable["Resultados"],
                mode='lines+markers', name='Resultados'
            ))
            fig_control.add_hline(y=df_editable["Meta"].mean(), line_dash="dash", line_color="red",
                                annotation_text="Meta", annotation_position="top right")
            fig_control.update_layout(
                title=f"Tendencia de {perspective}",
                xaxis_title="Fecha", yaxis_title="Valor",
                height=280  # 🔽 Ajuste de altura del gráfico de tendencias
            )
            st.plotly_chart(fig_control, use_container_width=True)

            # 📊 Gráfico de causas repetitivas corregido - ALTURA REDUCIDA
            df_causas = df_editable[df_editable["Causa"] != ""].copy()  # Excluir valores vacíos
            df_causas = df_causas["Causa"].value_counts().reset_index()
            df_causas.columns = ["Causa", "Frecuencia"]

            if not df_causas.empty:
                fig_barras = px.bar(df_causas, x="Frecuencia", y="Causa", orientation='h',
                                    title=f"Causas más repetitivas en {perspective}",
                                    text_auto=True)  # Muestra los valores en las barras
                fig_barras.update_yaxes(categoryorder='total ascending')  # Invierte el eje Y
                fig_barras.update_layout(height=250)  # 🔽 Ajuste de altura del gráfico de barras
                st.plotly_chart(fig_barras, use_container_width=True)


    st.header("📝 DMAIC Action Plan")

    # 📌 Inicializar el DataFrame en la sesión si no existe
    if "acciones" not in st.session_state:
        st.session_state.acciones = [
            {"categoria": "Seguridad", "descripcion": "Capacitación en uso de EPP obligatorio.", "fecha_inicio": "2024-01-10", "fecha_fin": "2024-01-20", "estado": "Abierta",
            "Definir": "Riesgo identificado en inspección.", "Medir": "2 incidentes en 3 meses.", "Analizar": "Falta de EPP adecuado.", "Implementar": "Entrega de EPP.", "Controlar": "Auditorías mensuales."},
            {"categoria": "Seguridad", "descripcion": "Implementación de checklist diario de condiciones inseguras.", "fecha_inicio": "2024-02-01", "fecha_fin": "2024-02-10", "estado": "Cerrada",
            "Definir": "Condiciones inseguras reportadas.", "Medir": "10 reportes en un mes.", "Analizar": "Falta de control visual.", "Implementar": "Checklists diarios.", "Controlar": "Supervisión de líderes."},
            {"categoria": "Calidad", "descripcion": "Cambio de proveedor de materia prima defectuosa.", "fecha_inicio": "2024-03-05", "fecha_fin": "2024-03-15", "estado": "Vencida",
            "Definir": "Defectos recurrentes en producción.", "Medir": "5% de scrap.", "Analizar": "Proveedores inconsistentes.", "Implementar": "Cambio de proveedor.", "Controlar": "Evaluación mensual."},
            {"categoria": "Calidad", "descripcion": "Revisión y ajuste de estándares de calidad en inspección final.", "fecha_inicio": "2024-04-01", "fecha_fin": "2024-04-10", "estado": "Pendiente",
            "Definir": "Errores detectados en auditoría.", "Medir": "Tasa de defectos >2%.", "Analizar": "Falta de criterios claros.", "Implementar": "Capacitación y ajuste de estándares.", "Controlar": "Revisión semanal."},
            {"categoria": "Costo", "descripcion": "Optimización de parámetros de mantenimiento preventivo.", "fecha_inicio": "2024-05-02", "fecha_fin": "2024-05-12", "estado": "Abierta",
            "Definir": "Fallas recurrentes en equipos.", "Medir": "Tiempo de inactividad de 5%.", "Analizar": "Mantenimiento reactivo en lugar de preventivo.", "Implementar": "Plan de mantenimiento preventivo.", "Controlar": "KPIs de disponibilidad."},
            {"categoria": "Costo", "descripcion": "Rediseño de layout para reducir tiempos de inactividad.", "fecha_inicio": "2024-06-01", "fecha_fin": "2024-06-15", "estado": "Pendiente",
            "Definir": "Retrasos en cambio de herramientas.", "Medir": "Tiempo promedio de 30 min por cambio.", "Analizar": "Mal distribución de áreas.", "Implementar": "Optimización del layout.", "Controlar": "Monitoreo de tiempos."},
            {"categoria": "Entrega", "descripcion": "Negociación de tiempos de entrega con proveedor clave.", "fecha_inicio": "2024-07-10", "fecha_fin": "2024-07-20", "estado": "Cerrada",
            "Definir": "Atrasos en entrega de materiales.", "Medir": "Promedio de 5 días de retraso.", "Analizar": "Proveedor con problemas logísticos.", "Implementar": "Renegociación de tiempos.", "Controlar": "Indicador de cumplimiento de entrega."},
            {"categoria": "Entrega", "descripcion": "Implementación de monitoreo en tiempo real de pedidos.", "fecha_inicio": "2024-08-01", "fecha_fin": "2024-08-10", "estado": "Vencida",
            "Definir": "Pedidos sin visibilidad de avance.", "Medir": "40% de pedidos sin trazabilidad.", "Analizar": "Falta de sistema de monitoreo.", "Implementar": "Implementación de tracking en tiempo real.", "Controlar": "Reporte de seguimiento diario."}
        ]

        # 📌 Convertir a DataFrame
        df_acciones = pd.DataFrame(st.session_state.acciones)

        # 📌 Expansor para mostrar y editar las acciones
        with st.expander("📌 Ver y Editar Acciones con Ciclo DMAIC", expanded=False):
            
            # 📝 Permitir edición de acciones con posibilidad de agregar/eliminar filas
            df_editable = st.data_editor(df_acciones, num_rows="dynamic", use_container_width=True)
            
            # 🔄 Actualizar los datos en `st.session_state`
            st.session_state.acciones = df_editable.to_dict(orient="records")

        # 📌 Recalcular estados de acciones tras edición
        estados_acciones = {"Abierta": 0, "Cerrada": 0, "Vencida": 0, "Pendiente": 0}
        for accion in df_editable["estado"]:
            estados_acciones.setdefault(accion, 0)
            estados_acciones[accion] += 1

        # 📌 Mostrar métricas con colores (Ahora se actualizan correctamente)
        col1, col2, col3, col4 = st.columns(4)
        col1.markdown(f"<h2 style='color:green;'>Abiertas: {estados_acciones.get('Abierta', 0)}</h2>", unsafe_allow_html=True)
        col2.markdown(f"<h2 style='color:gray;'>Cerradas: {estados_acciones.get('Cerrada', 0)}</h2>", unsafe_allow_html=True)
        col3.markdown(f"<h2 style='color:red;'>Vencidas: {estados_acciones.get('Vencida', 0)}</h2>", unsafe_allow_html=True)
        col4.markdown(f"<h2 style='color:yellow;'>Pendientes: {estados_acciones.get('Pendiente', 0)}</h2>", unsafe_allow_html=True)

        # 📊 Gantt de Acciones (Se actualiza con los cambios)
        fig = px.timeline(df_editable, x_start="fecha_inicio", x_end="fecha_fin", y="descripcion",
                        color="estado", color_discrete_map={
                            "Abierta": "green", "Cerrada": "gray", "Vencida": "red", "Pendiente": "yellow"
                        },
                        title="📅 Estado de las Acciones con DMAIC", labels={"estado": "Estado de la Acción"},
                        category_orders={"estado": ["Abierta", "Pendiente", "Vencida", "Cerrada"]})

        fig.update_yaxes(categoryorder="total ascending")  # Ordenar acciones
        fig.update_layout(xaxis_title="Fechas", yaxis_title="Descripción de la Acción", height=350, showlegend=True)

        # 📌 Mostrar gráfico Gantt
        st.plotly_chart(fig, use_container_width=True)


#__________________________________________________________________________________________________________________________________________________________________
# Problemas de condición Objetivo

# 📌 Precargar imágenes de referencia
imagen_actual_default = "current.jpg"
imagen_futura_default = "future.jpg"

with tabs[2]:
    # 📖 Introducción a Problemas de Condición Objetivo y VSM
    st.markdown("""

    ## 🔀 Value Stream Mapping (VSM) & A3 Thinking  

    Los problemas de **Condición Objetivo** surgen cuando se busca alcanzar una **meta futura específica** en un proceso sin que haya una falla evidente en el presente. No se trata de corregir defectos actuales, sino de **mejorar el flujo y la eficiencia** para lograr un estado futuro optimizado.



    ### 📌 Relación entre VSM y A3  

    🔹 **Value Stream Mapping (VSM)** permite visualizar la situación actual, identificar desperdicios y diseñar un flujo futuro eficiente.  

    🔹 **A3 Thinking** estructura el análisis y la implementación de mejoras, asegurando que las acciones sean alineadas con la estrategia organizacional.  



    ### 🔄 Proceso de Transformación  

    1️⃣ **Evaluar el estado actual**: Mapear el flujo de valor existente e identificar oportunidades de mejora.  

    2️⃣ **Definir la meta futura**: Establecer una condición objetivo alineada con la estrategia de la empresa.  

    3️⃣ **Diseñar el estado futuro**: Optimizar el flujo mediante la eliminación de desperdicios y sincronización de procesos.  

    4️⃣ **Implementar mejoras con A3**: Planificar y ejecutar acciones basadas en análisis estructurado.  



    Este enfoque permite **reducir Lead Time, mejorar sincronización y aumentar la eficiencia operativa**, facilitando una transición controlada hacia un proceso más ágil y competitivo. 🚀📊  

    """)

    st.markdown("<h1 style='text-align: center;'>📄 A3 - Resolución de Problemas</h1>", unsafe_allow_html=True)

    # 📌 Distribuir en dos columnas de igual tamaño
    col_izq, col_der = st.columns([2, 2])

    # 📌 Sección Izquierda: Situación Actual y Análisis
    with col_izq:
        with st.container():
            st.subheader("📜 1. Antecedentes")
            antecedentes = st.text_area("Describe los antecedentes del problema", value="El Lead Time actual es de 23.6 días, generando retrasos y costos elevados.")

            st.subheader("📊 2. Situación Actual")
            situacion_actual = st.text_area("Describe la situación actual", value="El flujo del proceso tiene esperas innecesarias, loteo excesivo y transporte ineficiente.")

            st.subheader("📷 Imagen del Problema (Current State VSM)")
            imagen_actual = st.file_uploader("Sube una imagen del estado actual", type=["png", "jpg", "jpeg"])
            if imagen_actual:
                st.image(imagen_actual, caption="Estado Actual - VSM", use_container_width=True)
            else:
                st.image(imagen_actual_default, caption="Estado Actual (Ejemplo)", use_container_width=True)

            st.subheader("🔎 3. Análisis de Causa Raíz")
            causas = st.text_area("Identifica las causas raíz", value="- Loteo grande\n- Retrasos en el proceso\n- Falta de flujo continuo.")

            st.subheader("🎯 4. Metas")
            metas = st.text_area("Define las metas a alcanzar", value="Reducir el Lead Time a 4.5 días mejorando la sincronización del proceso.")

    # 📌 Sección Derecha: Contramedidas y Seguimiento
    with col_der:
        with st.container():
            st.subheader("🛠️ 5. Contramedidas (Plan de Acción)")
            plan = st.text_area("Desarrolla el plan de acción", value="- Reducir tamaños de lote\n- Implementar flujo continuo\n- Mejorar la sincronización del proceso.")

            st.subheader("📷 Imagen del Estado Futuro (Future State VSM)")
            imagen_futura = st.file_uploader("Sube una imagen del estado futuro", type=["png", "jpg", "jpeg"])
            if imagen_futura:
                st.image(imagen_futura, caption="Estado Futuro - VSM", use_container_width=True)
            else:
                st.image(imagen_futura_default, caption="Estado Futuro (Ejemplo)", use_container_width=True)

            st.subheader("📅 6. Tablero de Acciones (Gantt)")

            # 📌 Inicializar DataFrame si no existe en la sesión
            if "acciones_a3" not in st.session_state:
                st.session_state.acciones_a3 = pd.DataFrame([
                    {"Task": "Mapear proceso actual", "Start": "2024-02-01", "Finish": "2024-02-10"},
                    {"Task": "Reducir tamaños de lote", "Start": "2024-02-15", "Finish": "2024-02-20"},
                    {"Task": "Definir flujo continuo", "Start": "2024-02-21", "Finish": "2024-02-28"},
                    {"Task": "Capacitación sobre nuevas prácticas", "Start": "2024-03-01", "Finish": "2024-03-05"},
                    {"Task": "Implementación final", "Start": "2024-03-06", "Finish": "2024-03-10"},
                ])

            # 📌 Expander para editar o agregar acciones
            with st.expander("📋 Editar Tablero de Acciones", expanded=False):
                df_acciones = st.data_editor(st.session_state.acciones_a3, use_container_width=True, num_rows="dynamic")
                st.session_state.acciones_a3 = df_acciones  # Guardar cambios en la sesión

            # 🔄 Ajustar altura del Gantt dinámicamente
            if not df_acciones.empty:
                df_acciones.columns = ["Task", "Start", "Finish"]
                num_tareas = len(df_acciones)
                altura_dinamica = max(200, min(num_tareas * 50, 500))

                # 📊 Generar Gantt después de la edición
                tareas = df_acciones.to_dict("records")
                fig_gantt = ff.create_gantt(tareas, title="Plan de Implementación A3", index_col="Task", show_colorbar=False)
                fig_gantt.update_layout(showlegend=False, height=altura_dinamica)
                st.plotly_chart(fig_gantt, use_container_width=True)

            # 📌 Tablero de Seguimiento de Indicadores
            st.subheader("📊 7. Seguimiento de Indicadores de Éxito")

            # 📌 Inicializar DataFrame si no existe en la sesión
            if "indicadores_a3" not in st.session_state:
                st.session_state.indicadores_a3 = pd.DataFrame([
                    {"Indicador": "Lead Time (días)", "Antes": 23.6, "Meta": 4.5, "Resultado": None, "Status": "En proceso"},
                    {"Indicador": "Tamaño de lote", "Antes": 100, "Meta": 30, "Resultado": None, "Status": "En proceso"},
                    {"Indicador": "Tiempo de ciclo (min)", "Antes": 12, "Meta": 6, "Resultado": None, "Status": "En proceso"},
                ])

            # 📌 Mostrar tabla editable
            df_editable = st.data_editor(st.session_state.indicadores_a3, use_container_width=True, num_rows="dynamic")
            st.session_state.indicadores_a3 = df_editable  # Guardar cambios en la sesión

#__________________________________________________________________________________________________________________________________________________________________

# 📌 Problemas de Innovación
with tabs[3]:
    st.markdown("<h1 style='text-align: left;'>🚀 Funnel de Innovación</h1>", unsafe_allow_html=True)

    # 📖 Introducción a la Innovación según Art Smalley
    st.markdown("""

    ## 🌟 Innovación como Cuarto Tipo de Problema  

    Según **Art Smalley**, la innovación es el tipo de problema más avanzado, ya que requiere **crear soluciones completamente nuevas** en lugar de corregir fallas existentes.  



    🔹 **Objetivo:** Superar las limitaciones actuales y desarrollar mejoras **disruptivas** en procesos, productos y servicios.  

    🔹 **Ejemplo:** Implementar **automatización en manufactura** para eliminar la variabilidad humana y aumentar la eficiencia.  

    🔹 **Método:** Para lograr innovación estructurada, combinamos **SCAMPER** (generación de ideas) con **Design Thinking** (planificación y ejecución).  



    📌 **Ejemplo de Innovación según *Four Types of Problems***  

    - Toyota implementando **Producción Just-In-Time** para eliminar inventarios excesivos.  

    - Ford introduciendo **manufactura modular** para reducir tiempos de cambio de línea.  

    - Amazon desarrollando **almacenes automatizados** con robots para mejorar eficiencia logística.  

    """)

    st.markdown("""

    ## 📝 Generación de Innovación con SCAMPER & Design Thinking""" )
    # 📌 Expander para SCAMPER y Design Thinking
    with st.expander(" Registro de ideas Innovadoras", expanded=False):
        st.subheader("🧠 SCAMPER - Generación de Ideas")
        problema = st.text_area("Describe el problema o necesidad que quieres innovar", 
                                value="Reducir tiempos de cambio en la línea de producción.")
        tecnica_scamper = st.selectbox("Selecciona una técnica SCAMPER", 
                                       ["Sustituir", "Combinar", "Adaptar", "Modificar", "Poner en otro uso", "Eliminar", "Reorganizar"])
        idea_scamper = st.text_area("Propón una idea innovadora basada en SCAMPER", 
                                    value="Implementar cambios rápidos con herramientas modulares.")

        # 📌 Design Thinking - Desarrollo de Innovación
        st.subheader("🎨 Plan de Acción - Design Thinking")
        fase_design = st.selectbox("Selecciona la fase actual", 
                                   ["Empatizar", "Definir", "Idear", "Prototipar", "Testear", "Implementación"])
        tarea_design = st.text_area("Describe la tarea o acción clave en esta fase", 
                                    value="Analizar impacto de tiempos de cambio en productividad.")
        fecha_inicio = st.date_input("Fecha de inicio de la tarea")
        fecha_fin = st.date_input("Fecha de compromiso")

        if st.button("💾 Guardar Innovación"):
            nueva_idea = pd.DataFrame([[problema, tecnica_scamper, idea_scamper, fase_design, tarea_design, fecha_inicio, fecha_fin]],
                                      columns=["Problema", "SCAMPER", "Idea SCAMPER", "Fase DT", "Tarea", "Inicio", "Compromiso"])
            st.session_state.ideas_innovacion = pd.concat([st.session_state.ideas_innovacion, nueva_idea], ignore_index=True)
            st.success("✅ Innovación guardada correctamente.")

    # 📌 Inicializar el tablero con una distribución realista en el Funnel
    if "ideas_innovacion" not in st.session_state:
        st.session_state.ideas_innovacion = pd.DataFrame([
            # 🔵 EMPATIZAR (10 ideas)
            {"Problema": "Reducir tiempos de cambio", "SCAMPER": "Modificar", 
            "Idea SCAMPER": "Uso de herramientas modulares", "Fase DT": "Empatizar", 
            "Tarea": "Análisis de tiempos actuales", "Inicio": "2024-01-01", "Compromiso": "2024-01-15"},
            {"Problema": "Optimizar flujo de materiales", "SCAMPER": "Reorganizar", 
            "Idea SCAMPER": "Implementación de logística autónoma", "Fase DT": "Empatizar", 
            "Tarea": "Identificar cuellos de botella", "Inicio": "2024-01-02", "Compromiso": "2024-01-16"},
            {"Problema": "Minimizar errores en ensamblaje", "SCAMPER": "Sustituir", 
            "Idea SCAMPER": "Guiado con realidad aumentada", "Fase DT": "Empatizar", 
            "Tarea": "Identificación de errores recurrentes", "Inicio": "2024-01-03", "Compromiso": "2024-01-17"},
            {"Problema": "Reducción de desperdicios", "SCAMPER": "Eliminar", 
            "Idea SCAMPER": "Optimización de corte CNC", "Fase DT": "Empatizar", 
            "Tarea": "Medición de desperdicios", "Inicio": "2024-01-04", "Compromiso": "2024-01-18"},
            {"Problema": "Reducir consumo energético", "SCAMPER": "Adaptar", 
            "Idea SCAMPER": "Energía renovable en manufactura", "Fase DT": "Empatizar", 
            "Tarea": "Evaluación del consumo actual", "Inicio": "2024-01-05", "Compromiso": "2024-01-19"},
            {"Problema": "Rediseñar layout de planta", "SCAMPER": "Reorganizar", 
            "Idea SCAMPER": "Modelo de flujo continuo", "Fase DT": "Empatizar", 
            "Tarea": "Análisis de distribución", "Inicio": "2024-01-06", "Compromiso": "2024-01-20"},
            {"Problema": "Automatización de inventarios", "SCAMPER": "Combinar", 
            "Idea SCAMPER": "RFID con control en tiempo real", "Fase DT": "Empatizar", 
            "Tarea": "Evaluar soluciones existentes", "Inicio": "2024-01-07", "Compromiso": "2024-01-21"},
            {"Problema": "Reducir errores en ensamblaje", "SCAMPER": "Sustituir", 
            "Idea SCAMPER": "Instrucciones con realidad aumentada", "Fase DT": "Empatizar", 
            "Tarea": "Prueba de tecnologías", "Inicio": "2024-01-08", "Compromiso": "2024-01-22"},
            {"Problema": "Optimización de distribución de tareas", "SCAMPER": "Modificar", 
            "Idea SCAMPER": "Algoritmos de asignación inteligente", "Fase DT": "Empatizar", 
            "Tarea": "Análisis de cargas de trabajo", "Inicio": "2024-01-09", "Compromiso": "2024-01-23"},
            {"Problema": "Reducir tiempo de configuración de maquinaria", "SCAMPER": "Reorganizar", 
            "Idea SCAMPER": "Implementación de configuraciones rápidas", "Fase DT": "Empatizar", 
            "Tarea": "Estudio de tiempos de cambio", "Inicio": "2024-01-10", "Compromiso": "2024-01-24"},
            
            # 🟠 DEFINIR (7 ideas)
            {"Problema": "Automatizar control de calidad", "SCAMPER": "Sustituir", 
            "Idea SCAMPER": "Inspección con IA", "Fase DT": "Definir", 
            "Tarea": "Análisis de defectos comunes", "Inicio": "2024-01-11", "Compromiso": "2024-01-25"},

            {"Problema": "Aumentar eficiencia en picking", "SCAMPER": "Adaptar", 
            "Idea SCAMPER": "Picking con robots móviles", "Fase DT": "Definir", 
            "Tarea": "Identificar oportunidades de automatización", "Inicio": "2024-01-12", "Compromiso": "2024-01-26"},

            {"Problema": "Reducir desperdicio de empaque", "SCAMPER": "Eliminar", 
            "Idea SCAMPER": "Empaque reutilizable", "Fase DT": "Definir", 
            "Tarea": "Evaluación de materiales alternativos", "Inicio": "2024-01-13", "Compromiso": "2024-01-27"},

            {"Problema": "Optimizar planificación de producción", "SCAMPER": "Reorganizar", 
            "Idea SCAMPER": "Algoritmo de secuenciación dinámica", "Fase DT": "Definir", 
            "Tarea": "Evaluación de algoritmos existentes", "Inicio": "2024-01-14", "Compromiso": "2024-01-28"},

            {"Problema": "Reducción de tiempos en línea de ensamble", "SCAMPER": "Modificar", 
            "Idea SCAMPER": "Uso de estaciones de trabajo móviles", "Fase DT": "Definir", 
            "Tarea": "Análisis de tiempos de operación", "Inicio": "2024-01-15", "Compromiso": "2024-01-29"},

            {"Problema": "Mejorar ergonomía en estaciones de trabajo", "SCAMPER": "Adaptar", 
            "Idea SCAMPER": "Implementación de estaciones ajustables", "Fase DT": "Definir", 
            "Tarea": "Identificación de riesgos ergonómicos", "Inicio": "2024-01-16", "Compromiso": "2024-01-30"},

            {"Problema": "Reducir costos en consumibles de producción", "SCAMPER": "Combinar", 
            "Idea SCAMPER": "Uso de materiales biodegradables", "Fase DT": "Definir", 
            "Tarea": "Análisis de alternativas sustentables", "Inicio": "2024-01-17", "Compromiso": "2024-01-31"},

            # 🟡 IDEAR (4 ideas)
            {"Problema": "Automatizar planificación de producción", "SCAMPER": "Combinar", 
            "Idea SCAMPER": "Sistema con machine learning", "Fase DT": "Idear", 
            "Tarea": "Desarrollo del prototipo", "Inicio": "2024-01-15", "Compromiso": "2024-02-05"},

            {"Problema": "Optimización de rutas de logística", "SCAMPER": "Modificar", 
            "Idea SCAMPER": "Uso de IA en distribución", "Fase DT": "Idear", 
            "Tarea": "Prueba con datos históricos", "Inicio": "2024-01-16", "Compromiso": "2024-02-06"},

            {"Problema": "Automatización de gestión de pedidos", "SCAMPER": "Reorganizar", 
            "Idea SCAMPER": "Integración de blockchain en trazabilidad", "Fase DT": "Idear", 
            "Tarea": "Desarrollo de modelo de trazabilidad", "Inicio": "2024-01-17", "Compromiso": "2024-02-07"},

            {"Problema": "Estandarización de procesos manuales", "SCAMPER": "Sustituir", 
            "Idea SCAMPER": "Aplicaciones móviles para control de procesos", "Fase DT": "Idear", 
            "Tarea": "Desarrollo de interfaz de usuario", "Inicio": "2024-01-18", "Compromiso": "2024-02-08"},

            # 🟢 PROTOTIPAR (3 ideas)
            {"Problema": "Implementar manufactura flexible", "SCAMPER": "Adaptar", 
            "Idea SCAMPER": "Uso de robots colaborativos", "Fase DT": "Prototipar", 
            "Tarea": "Configuración inicial", "Inicio": "2024-01-20", "Compromiso": "2024-02-10"},

            {"Problema": "Automatización de gestión de personal", "SCAMPER": "Combinar", 
            "Idea SCAMPER": "Análisis de rendimiento con AI", "Fase DT": "Prototipar", 
            "Tarea": "Prueba con dataset real", "Inicio": "2024-01-21", "Compromiso": "2024-02-11"},

            {"Problema": "Monitoreo predictivo de fallas", "SCAMPER": "Sustituir", 
            "Idea SCAMPER": "Implementación de sensores IoT con IA", "Fase DT": "Prototipar", 
            "Tarea": "Desarrollo del modelo de predicción", "Inicio": "2024-01-22", "Compromiso": "2024-02-12"},

            # 🔴 TESTEAR (2 ideas)
            {"Problema": "Optimización de órdenes de producción", "SCAMPER": "Reorganizar", 
            "Idea SCAMPER": "Planificación adaptativa", "Fase DT": "Testear", 
            "Tarea": "Validación con producción real", "Inicio": "2024-01-22", "Compromiso": "2024-02-12"},

            {"Problema": "Automatización del control de calidad", "SCAMPER": "Sustituir", 
            "Idea SCAMPER": "Cámaras de visión artificial con IA", "Fase DT": "Testear", 
            "Tarea": "Comparación de defectos detectados manualmente vs IA", "Inicio": "2024-01-23", "Compromiso": "2024-02-13"}, 

            # 🔴 IMPLEMENTACIÓN (1 idea)
            {"Problema": "Implementar manufactura sin papel", "SCAMPER": "Adaptar", 
             "Idea SCAMPER": "Digitalización con tablets", "Fase DT": "Implementación", 
             "Tarea": "Capacitación de operarios", "Inicio": "2024-01-25", "Compromiso": "2024-02-10"},
        ])

    st.markdown("""

    ## 📋 Ver y Editar Innovaciones Guardadas""" )
    # 📌 Expander para visualizar y editar el DataFrame de Innovaciones
    with st.expander("Ajusta el progreso de las ideas innovadoras", expanded=False):
        df_ideas = st.data_editor(st.session_state.ideas_innovacion, use_container_width=True, num_rows="dynamic")
        st.session_state.ideas_innovacion = df_ideas  # Guardar cambios

    # 📊 Visualización del Funnel en horizontal con Plotly
    st.subheader("📊 Funnel de Innovación - Evolución de Ideas")
    if not st.session_state.ideas_innovacion.empty:
        funnel_counts = st.session_state.ideas_innovacion["Fase DT"].value_counts().reset_index()
        funnel_counts.columns = ["Fase", "Cantidad"]

        fig_funnel = go.Figure(go.Funnel(
            orientation="v",  # 🏆 FUNNEL EN HORIZONTAL
            y=funnel_counts["Cantidad"],
            x=funnel_counts["Fase"],
            textinfo="value+percent initial",
            marker={"color": ["blue", "green", "orange", "red", "purple", "gray"]}
        ))

        fig_funnel.update_layout(title="Funnel de Innovación - Design Thinking")
        st.plotly_chart(fig_funnel, use_container_width=True)

    # 📌 Seguimiento de Acciones en un Gantt
    st.subheader("📅 Tablero de Acciones y Compromisos")
    if not st.session_state.ideas_innovacion.empty:
        fig_gantt = px.timeline(st.session_state.ideas_innovacion, x_start="Inicio", x_end="Compromiso", y="Tarea",
                                color="Fase DT", title="Tareas y Fechas de Innovación",
                                category_orders={"Fase DT": ["Empatizar", "Definir", "Idear", "Prototipar", "Testear", "Implementación"]})
        fig_gantt.update_yaxes(categoryorder="total ascending")  
        fig_gantt.update_layout(showlegend=True)
        st.plotly_chart(fig_gantt, use_container_width=True)